پروژه پایانی ارشد برای موضوع طراحی و پیاده‌سازی یک سامانه توزیع‌شده برای فشرده‌سازی تصاویر در مقیاس بزرگ

---

شرح پروژه

من میخوام این پایان نامه رو کسی برام بنویسه :‌
 
🎓 عنوان پایان‌نامه
طراحی و پیاده‌سازی یک سامانه توزیع‌شده برای فشرده‌سازی تصاویر در مقیاس بزرگ
(Design and Implementation of a Distributed Image Compression Pipeline for Large-Scale Data Systems)

 
🧩 خلاصه / ایده اصلی
با رشد سریع داده‌های تصویری در سامانه‌های ابری و پلتفرم‌های بزرگ، نیاز به فشرده‌سازی و پردازش کارآمد تصاویر برای کاهش هزینه‌های ذخیره‌سازی، مصرف پهنای باند و تأخیر سیستم بیش از پیش احساس می‌شود.

هدف این پایان‌نامه، طراحی و پیاده‌سازی یک سیستم توزیع‌شده برای فشرده‌سازی خودکار و موازی تصاویر است؛ به‌گونه‌ای که حجم عظیمی از داده‌ها بتوانند هم‌زمان توسط چندین گره (Node) پردازش و فشرده شوند.

در این سیستم، معماری به‌صورت خدمات خرد (Microservices) طراحی می‌شود، به‌طوری که هر سرویس مسئول بخشی از فرآیند (دریافت، فشرده‌سازی، ذخیره‌سازی و مانیتورینگ) باشد.
یک صف پیام (Message Queue) مانند Kafka یا RabbitMQ وظیفه‌ی هماهنگی بین سرویس‌ها، مدیریت بار و اطمینان از تحمل خطا (Fault Tolerance) را برعهده دارد.

تمرکز اصلی پروژه بر طراحی معماری، کارایی (Performance) و قابلیت گسترش‌پذیری (Scalability) سیستم است، نه بر توسعه‌ی الگوریتم‌های جدید فشرده‌سازی.

 
🧱 اجزای اصلی و معماری سیستم
سرویس دریافت تصویر (Image Ingestion Service):
مسئول دریافت و صف‌بندی تصاویر ورودی از منابع مختلف (API، فایل‌سیستم یا فضای ابری).
سرویس‌های فشرده‌سازی (Compression Workers):
چندین سرویس موازی که وظیفه‌ی فشرده‌سازی تصاویر را با الگوریتم‌های استاندارد (JPEG، WebP، AVIF و ...) بر عهده دارند.
هر سرویس از صف پیام وظیفه‌ی جدید دریافت می‌کند.
لایه ذخیره‌سازی (Storage Layer):
ذخیره‌سازی بهینه‌ی تصاویر فشرده‌شده در سیستم ذخیره‌سازی توزیع‌شده مانند MinIO، AWS S3 یا Google Cloud Storage.
مانیتورینگ و لاگینگ (Monitoring & Logging):
جمع‌آوری و تحلیل معیارهایی مانند سرعت پردازش (Throughput)، تأخیر (Latency)، نسبت فشرده‌سازی (Compression Ratio)، و نرخ خطا.
مدیریت مرکزی (Controller / Orchestrator):
مسئول تعادل بار (Load Balancing)، تکرار وظایف ناموفق و بررسی سلامت سرویس‌ها.
 
⚙️ فناوری‌ها و ابزارهای پیشنهادی
Backend: Python (FastAPI / Flask) یا Go
Message Queue: Apache Kafka یا RabbitMQ
Storage: MinIO / AWS S3 / Google Cloud Storage
Database: PostgreSQL یا Redis (برای متادیتا)
Containerization: Docker + Kubernetes
Monitoring: Prometheus + Grafana
 
🧠 محورهای تحقیق و مهندسی
ارزیابی عملکرد (Performance Evaluation):
مقایسه‌ی معماری‌های هم‌زمان (asynchronous) و ترتیبی (synchronous) در بارهای مختلف.
آزمایش گسترش‌پذیری (Scalability):
اندازه‌گیری تغییر سرعت و ظرفیت سیستم با افزایش تعداد گره‌ها.
تحمل خطا (Fault Tolerance):
پیاده‌سازی مکانیزم‌های تکرار وظیفه، صف خطا (Dead-letter queue) و پایش سلامت.
بهینه‌سازی ذخیره‌سازی:
بررسی انواع فرمت‌های فشرده‌سازی و تعادل بین کیفیت و حجم فایل.
 
📈 نتایج مورد انتظار
یک نمونه‌ی عملی و کاربردی (Prototype) از سیستم فشرده‌سازی توزیع‌شده
تحلیل عددی عملکرد سیستم (تأخیر، سرعت، میزان فشرده‌سازی)
مستندسازی کامل و راهنمای اجرا برای استقرار در سرور محلی یا محیط ابری
 
🎯 ارتباط با موضوع اصلی
به طور مستقیم با موضوع فشرده‌سازی تصویر (Image Compression) مرتبط است.
از مفاهیم سیستم‌های توزیع‌شده (Distributed Systems)، پردازش داده‌های کلان (Big Data) و مهندسی نرم‌افزار بهره می‌برد.
محور پروژه طراحی، پیاده‌سازی و بهینه‌سازی نرم‌افزاری است، نه الگوریتم‌های یادگیری ماشین.
 

مهارت ها و تخصص های مورد نیاز

---

---